System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及图像安全,尤其涉及基于深度学习的可逆信息隐藏预测器。
技术介绍
1、图像信息隐藏(data hiding)是一种数据隐藏艺术,旨在将秘密数据毫无察觉地隐藏在载体图像中,并以隐秘的方式将秘密数据进行传递。当数据被嵌入到载体图像中时,图像中的像素必然会发生变化,从而使图像产生嵌入失真,并导致了视觉质量的下降。在正确且完整地提取隐藏数据后,如果改变后的像素无法恢复到其原始状态,则失真是永久性的。这种永性久失真对于某些特定的应用场景是不可接受的。因为这些应用场景要求在正确提取隐藏数据后,隐写图像仍能无失真地恢复到原始状态。为此,可逆信息隐藏(reversibledata hiding,rdh)被提出以解决上述问题,作为信息隐藏的一个重要分支,它在正确提取出秘密数据后仍能从含密图像中无失真地恢复出原始像素。
2、最早的rdh方法来自于eastman kodak提出的专利[1]。之后,大量的rdh方法被提出以提高嵌入性能。他们主要可分为以下几类,包括基于无损压缩的rdh[2-3],基于差分扩展(de)的rdh[4-7],基于直方图移位(hs)的rdh[8-9],基于预测误差扩展(pee)的rdh[10-14]。在这些方法中,pee被认为是最有效和最广泛研究的技术,因为它产生的预测误差幅度较小,有助于提高嵌入容量,同时降低嵌入失真。自thodi等提出pee技术以来[10],学者们提出了大量基于pee的rdh方法,他们从以下角度致力于嵌入性能的提升:高级预测器[13-19],多直方图修改(multiple histog
技术实现思路
1、本专利技术的目的在于提供基于深度学习的可逆信息隐藏预测器。
2、本专利技术采用的技术方案是:
3、基于深度学习的可逆信息隐藏预测器,其包括依序串接的k个编码器和k-1个解码器;前k-1个编码器分别与k-1个解码器一一对应设置,即第一个编码器的输出与倒数第二个(即第k-2个)解码器的输出级联运算后输入倒数第一个(即第k-1个)解码器;第二个编码器的输出与倒数第三个(即第k-3个)解码器的输出级联运算后输入倒数第二个(即第k-2个)解码器;依次类推,第k-2个编码器的输出与第一个编码器的输出级联运算后输入第二个解码器;第k-1个编码器的输出与第k个编码器的输出级联运算后输入第一个解码器。
4、进一步地,作为一种可行实施方式,编码器的总数k的取值为6。
5、进一步地,第一个编码器的输出通过一卷积注意力模块(cbam)接入第二个编码器的输入。即第一个编码器的输出作为卷积注意力模块(cbam)的输入,cbam的输出作为第二个编码器的输入;cbam由通道注意力模块(channel attention module,cam)和空间注意力模块(spatial attention module,sam)两个串行模块组成。
6、进一步地,cbam执行如下操作:
7、s1,使用cam生成的通道注意力权重沿着通道维度乘以各自的输入特征图f,用于确定每个特征图的重要性;
8、s2,cam生成通道注意力权重mc,用于确定特征图中每个像素的重要性。
9、s3,将输入特征图f乘以通道注意力权重mc,以生成与输入特征图f大小相同的通道加权特征图f';
10、s4,将得到的通道加权特征图f′送到sam中,以产生等式中给出的空间注意力权重ms。
11、s5,将通道加权特征图f′乘以空间注意力权重ms,以生成加权特征图f″作为cbam的输出。
12、进一步地,s2中cam生成相应的通道注意力权重mc的计算公式如下:
13、mc=σ(mlp(avgpool(f))+mlp(maxpool(f))) (3)
14、其中σ表示s形函数,多层感知(multilayer perception,mlp)被认为是共享网络,avgpool和maxpool分别是平均池和最大池的缩写。
15、进一步地,s4中生成空间注意力权重ms的计算公式如下:
16、ms=σ(conv7×7(avgpool(f′)⊕maxpool(f′))) (4)
17、其中,conv7×7表示核大小为7×7的卷积运算,⊕表示级联运算。
18、本专利技术采用以上技术方案,基于深度神经网络的预测器,利用深度神经网络的特性灵活而自动挖掘像素间的深层相关性以生成尖锐性高的pehs。,首次将u2-net引入到rdh中设计出一种称作u2p的新预测器,用于融合不同通过残差u型块(residual u-blocks,rsu),从而可以更好地利用连续u型块之间的相关性像素,以实现更准确的预测并通过rsu的池化层降低计算成本。最后,在u2p的基础上,通过引入了卷积块的注意力模块(convolutional block attention module,cbam)设计出nu2p。u2p通过结合通道和空间注意力,能区别对待特征图和特征中的元素映射,从而提高预测精度。
本文档来自技高网...【技术保护点】
1.基于深度学习的可逆信息隐藏预测器,其特征在于:其包括依序串接的K个编码器和K-1个解码器;前K-1个编码器分别与K-1个解码器一一对应设置,即第一个编码器的输出与第K-2个解码器的输出级联运算后输入第K-1个解码器;第二个编码器的输出与第K-3个解码器的输出级联运算后输入第K-2个解码器;依次类推,第K-2个编码器的输出与第一个编码器的输出级联运算后输入第二个解码器;第K-1个编码器的输出与第K个编码器的输出级联运算后输入第一个解码器。
2.根据权利要求1所述的基于深度学习的可逆信息隐藏预测器,其特征在于:编码器的总数K的取值为6。
3.根据权利要求1所述的基于深度学习的可逆信息隐藏预测器,其特征在于:第一个编码器的输出通过一卷积注意力模块CBAM接入第二个编码器的输入;即第一个编码器的输出作为卷积注意力模块CBAM的输入,CBAM的输出作为第二个编码器的输入;CBAM由通道注意力模块CAM和空间注意力模块SAM两个串行模块组成。
4.根据权利要求3所述的基于深度学习的可逆信息隐藏预测器,其特征在于:CBAM执行如下操作:
5.
6.根据权利要求4所述的基于深度学习的可逆信息隐藏预测器,其特征在于:S4中生成空间注意力权重Ms的计算公式如下:
...【技术特征摘要】
1.基于深度学习的可逆信息隐藏预测器,其特征在于:其包括依序串接的k个编码器和k-1个解码器;前k-1个编码器分别与k-1个解码器一一对应设置,即第一个编码器的输出与第k-2个解码器的输出级联运算后输入第k-1个解码器;第二个编码器的输出与第k-3个解码器的输出级联运算后输入第k-2个解码器;依次类推,第k-2个编码器的输出与第一个编码器的输出级联运算后输入第二个解码器;第k-1个编码器的输出与第k个编码器的输出级联运算后输入第一个解码器。
2.根据权利要求1所述的基于深度学习的可逆信息隐藏预测器,其特征在于:编码器的总数k的取值为6。
3.根据权利要求1所述的基于深度学习的可逆信息隐藏预测...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。